Your SlideShare is downloading. ×
0
Métodos Estadísticos para la Planificación
      de Campañas de Adwords
Situación Inicial


 Se utiliza Adwords para generar subscripciones a un
 Newsletter Deportivo.
 La campaña muestra anun...
Estructura de la Campaña


     Campaña Grupo de anuncios   Keyword   Concordancia Calidad
     English Futbol            ...
Los Desafíos



 ¿Es posible ajustar un modelo estadístico a una campaña
con estas características?
 ¿Se puede determina...
El Modelo Estadístico

En función de los datos disponibles recurrimos a un modelo
de Regresión Lineal Multivariante.

Este...
Entendiendo el Modelo

La forma más sencilla de estimación lineal es utilizar el valor
promedio de CPA, pero esto elimina ...
Entendiendo el Modelo
La regresión lineal busca estimar el CPA usando información
de otras variables para disminuir el err...
Entendiendo el Modelo

Lo importante es crear un modelo que permita maximizar la
proporción de varianza explicada empleand...
Planteamiento del Modelo

Para estimar el CPA planteamos las siguientes hipótesis:

- El CPA guarda relación directa con l...
Analizando los Datos

Primero es necesario realizar la transformación de variables
categóricas en dicotómicas (dummy) de l...
Analizando los Datos


Es posible analizar los datos con Excel utilizando el
complemento de análisis de datos que debemos ...
Analizando los Datos
Datos -> Análisis de Datos -> Regresión
Analizando los Datos
Rango Y -> var. dependiente Rango X -> var. Explicativas
Analizando los Datos
Obtendremos una salida de resultados de la siguiente forma
Analizando los Datos

Empleando el software SPSS podremos incrementar la
capacidad de análisis estadístico y resolver los ...
El éxodo masivo



AHORA QUE SE FUERON TODOS
Interpretando los Resultados

Existen dos modelos posibles uno que explica el CPA solo en
base a los clics y otro que comb...
Interpretando los Resultados

 Los coeficientes de regresión del modelo indican el impacto
 de las variables sobre el CPA
...
Interpretando los Resultados

Para confirmar si las restricciones del modelo se cumplen
tenemos que observar los siguiente...
Interpretando los Resultados

Para confirmar si las restricciones del modelo se cumplen
tenemos que observar los siguiente...
Interpretando los Resultados

Sin embargo no son tantos los casos donde el error de
predicción es superior a 2 desvíos est...
Corrigiendo el Modelo
El modelo tiene errores de especificación porque la cantidad
de clics es una función dependiente de ...
El nuevo Modelo

Este modelo plantea una regresión en dos etapas, en la primera se
estiman los clics y el CPC promedio y p...
Comparando los Resultados

 Puestos frente a frente los modelos                                               comprobamos
...
Comparando los Resultados

Es necesario graficar los residuales para comprobar si existen
problemas en el modelo:
      Lo...
La crisis existencial


Todo muy lindo nos rompemos la cabeza tratando de
entender la Regresión Lineal pero…


 COMO C@R@J...
Estimando el CPA


  Es muy fácil y en realidad ya lo hicimos…



          APLICANDO LA FÓRMULA!!!
                      ...
Estimando el CPA


Con ello vamos a crear distintos escenarios…
     APLICANDO LA FÓRMULA!!!


Resultados de la campaña du...
Estimando el CPA

Escenario 1: se mantienen los clics y CPC promedio
CPA = 0,032 * 28,8 clics – 1,19 * $0,05 CPC Prom. +/-...
Precisión de la Estimación

Mucha estadística pero…
          ¿Funciona realmente?
A las pruebas me remito…




          ...
Conclusiones

 Al ajustar el primer modelo de Regresión Lineal pudimos
establecer las variables que carecían de incidenci...
Tips para analistas

   Desarrollar modelos estadísticos con sustento lógico.
Testear diferentes modelos hasta encontrar...
Upcoming SlideShare
Loading in...5
×

Uso De Métodos Estadísticos En Campañas De Adwords

2,452

Published on

Published in: Technology, Travel, Business
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
2,452
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
67
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Transcript of "Uso De Métodos Estadísticos En Campañas De Adwords"

  1. 1. Métodos Estadísticos para la Planificación de Campañas de Adwords
  2. 2. Situación Inicial  Se utiliza Adwords para generar subscripciones a un Newsletter Deportivo.  La campaña muestra anuncios en español y en inglés.  Se compraron 4 Keywords: Basket, Beisbol, Fútbol y Soccer.  Se crearon dos grupos de anuncios, uno para fútbol y otro para el resto de los deportes.  Se emplean tanto la concordancia amplia como específica.  Los copys tienen diferente nivel de calidad.
  3. 3. Estructura de la Campaña Campaña Grupo de anuncios Keyword Concordancia Calidad English Futbol Soccer Amplia 8 Otros Deportes Basket Amplia 5 Español Futbol Futbol Amplia 0 Otros Deportes Beisbol Exacta 7 ¿Cuánto influye cada uno de estos aspectos en el CPA global de nuestra campaña?
  4. 4. Los Desafíos  ¿Es posible ajustar un modelo estadístico a una campaña con estas características?  ¿Se puede determinar el impacto de cada aspecto en el CPA Global de nuestra campaña?  ¿Qué combinación arrojaría mejores resultados?  ¿Es posible estimar el CPA a partir de los datos disponibles?
  5. 5. El Modelo Estadístico En función de los datos disponibles recurrimos a un modelo de Regresión Lineal Multivariante. Este modelo busca estimar los valores de una variable independiente numérica a partir de los valores de un conjunto de variables independientes numéricas y dicotómicas (dummy). Estadísticamente se expresa: Y = a + b X1 + c X2 + ... + n Xn + d donde: Y = variable dependiente X1 , X2 , Xn = variables independientes a, b, c, n = coeficientes de regresión d= error de predicción
  6. 6. Entendiendo el Modelo La forma más sencilla de estimación lineal es utilizar el valor promedio de CPA, pero esto elimina sus variaciones
  7. 7. Entendiendo el Modelo La regresión lineal busca estimar el CPA usando información de otras variables para disminuir el error de estimación
  8. 8. Entendiendo el Modelo Lo importante es crear un modelo que permita maximizar la proporción de varianza explicada empleando pocas variables explicativas. Existen algunas restricciones a considerar: - Colinealidad: las variables explicativas son independientes entre sí. - Homocedasticidad: el error de estimación tiene esperanza cero y distribución normal para todos los valores considerados. - No autocorrelación de los residuos: los residuos no presentan autocorrelación serial. - Especificación correcta: todas las variables explicativas han sido incluidas en el modelo y no se presenta sobre-determinación.
  9. 9. Planteamiento del Modelo Para estimar el CPA planteamos las siguientes hipótesis: - El CPA guarda relación directa con la cantidad de clics, el CPC y la posición promedio. - Mantiene relación inversa con la Calidad del Anuncio y el CPC Máximo. - Las Keywords más relevantes y el criterio de búsqueda exacto disminuyen el CPA. - La hipótesis nula indica que el CPA no es afectado por estas variables en grado significativo.
  10. 10. Analizando los Datos Primero es necesario realizar la transformación de variables categóricas en dicotómicas (dummy) de la siguiente forma: Keyword Var. Original: Categorías: Basket Beisbol Fútbol Soccer Var. Dummy: d_Basket d_Beisbol d_Fútbol d_Soccer Categorías: Basket = 1 Basket = 0 Basket = 0 Basket = 0 Beisbol = 0 Beisbol = 1 Beisbol = 0 Beisbol = 0 Fútbol = 0 Fútbol = 0 Fútbol = 1 Fútbol = 0 Soccer = 0 Soccer = 0 Soccer = 0 Soccer = 1
  11. 11. Analizando los Datos Es posible analizar los datos con Excel utilizando el complemento de análisis de datos que debemos instalar así: 1- Haga clic en el Botón Microsoft Office y, a continuación, haga clic en Opciones de Excel. 2- Haga clic en Complementos y, en el cuadro Administrar, seleccione Complementos de Excel. 3- Haga clic en Ir. 4- En el cuadro Complementos disponibles, active la casilla de verificación Herramientas para análisis y, a continuación, haga clic en Aceptar. Tendremos ciertas limitaciones: - El formato de las variables debe ser numérico. - Los datos deben estar un rango continuo y sin celdas vacías. - No podemos analizar más de 16 variables independientes. - No podemos ajustar los criterios de entrada de las variables.
  12. 12. Analizando los Datos Datos -> Análisis de Datos -> Regresión
  13. 13. Analizando los Datos Rango Y -> var. dependiente Rango X -> var. Explicativas
  14. 14. Analizando los Datos Obtendremos una salida de resultados de la siguiente forma
  15. 15. Analizando los Datos Empleando el software SPSS podremos incrementar la capacidad de análisis estadístico y resolver los problemas que conlleva Excel respecto de la estructura de los datos. El programa seleccionara las variables que integran el modelo y podremos realizar test para comprobar el cumplimiento de los supuestos que limitan el empleo de la regresión lineal. ADVERTENCIA: Voy a mostrar números y fórmulas es el momento apropiado para los que se quieran escapar de la sala
  16. 16. El éxodo masivo AHORA QUE SE FUERON TODOS
  17. 17. Interpretando los Resultados Existen dos modelos posibles uno que explica el CPA solo en base a los clics y otro que combina clics y gasto en Adwords. Coeficiente de Correlación varía Coeficiente de Regresión Lineal varía entre entre -1 y 1: 0 y 1: 1 correlación perfecta positiva Indica la proporción de varianza atribuible a -1 correlación perfecta negativa la incidencia de las variables explicativas en 0 independencia estadística este caso casi un 42% Varianza o suma de cuadrados: Se descompone en la parte explicada por el modelo y la parte residual no explicada Varianza Total = Varianza Explicada = Varianza Residual =
  18. 18. Interpretando los Resultados Los coeficientes de regresión del modelo indican el impacto de las variables sobre el CPA Coeficientes Beta ponderan el Coeficientes estandarizados Nivel de Significación impacto de los cambios en los homogeneízan la escala de estadística su valor crítico valores de las variables medición para permitir debe ser inferior a a=0,05 o explicativas: a * X comparar el impacto de las sea un error del 5% variables Para que un coeficiente sea significativo el intervalo de confianza debe excluir al valor cero del rango que cubre el mismo La ecuación de la recta de regresión en nuestro caso sería: CPA = - 0,022 + 0,024 * Clic +/- 0,42 error
  19. 19. Interpretando los Resultados Para confirmar si las restricciones del modelo se cumplen tenemos que observar los siguientes gráficos: La distribución de los residuos La probabilidad acumulada de los estandarizados debería ajustarse a una residuos estandarizados debería curva normal. En este caso se observa ajustarse a la línea diagonal. En este una mayor desviación hacia la derecha caso tenemos mayor cantidad de lo que podría indicar que estamos residuos con valores pequeños que lo subestimando sistemáticamente el CPA esperado lo que indica desajuste.
  20. 20. Interpretando los Resultados Para confirmar si las restricciones del modelo se cumplen tenemos que observar los siguientes gráficos: La distribución de los residuos La distribución de los residuos estandarizados debería seguir un estandarizados debería seguir un patrón irregular para todos los valores. patrón irregular para todos los valores. En nuestro caso encontramos En nuestro caso encontramos problemas de estimación cuando el problemas de estimación a medida CPA es cero o mayor a $ 0,60 que los valores predichos crecen Subestimación Subestimación Sobrestimación Sobrestimación
  21. 21. Interpretando los Resultados Sin embargo no son tantos los casos donde el error de predicción es superior a 2 desvíos estándar: Solo en 9 casos entre 124 la estimación La línea media representa la recta de realizada excedió el margen de error regresión lineal y las líneas en los determinado por una distribución normal márgenes los límites superior e inferior de la estimación al 95% de confianza
  22. 22. Corrigiendo el Modelo El modelo tiene errores de especificación porque la cantidad de clics es una función dependiente de otras variables. Para resolverlo plantearemos un nuevo modelo más complejo: Impresiones Clics Posición Promedio CPA CPC Promedio CPC Máximo
  23. 23. El nuevo Modelo Este modelo plantea una regresión en dos etapas, en la primera se estiman los clics y el CPC promedio y posteriormente el CPA. Las hipótesis se formulan de la siguiente manera: Mayor cantidad de impresiones y mejor posición incrementan la cantidad de clics obtenidos. Mejor posición y mayor CPC que estamos dispuestos a pagar incrementan el CPC promedio de la campaña.  Mayor cantidad de clics y mayor CPC promedio a igual tasa de conversión incrementan el CPA final.
  24. 24. Comparando los Resultados Puestos frente a frente los modelos comprobamos considerables mejoras en los estadísticos: Mientras el primer modelo OLS solo El error del modelo se redujo permitía explicar el 42% de las variaciones considerablemente lo que incrementa la en el CPA el modelo 2SPS da cuenta del precisión en las estimaciones del CPA 62% lo que es una mejora de casi un 50% Estadísticos Modelo OLS Modelo 2SLS % de Mejora Coeficientes Modelo OLS Modelo 2SLS Coeficiente R 0,65 0,79 22% Constante -0,022 --- Coeficiente R^2 0,42 0,62 49% Clicks 0,024 0,032 R^2 Ajustado 0,41 0,61 49% CPC Promedio --- -1,910 Error Estandar 0,22 0,09 -59% Error del Modelo 0,420 0,180 Además algunas de las restricciones dejan de aplicarse para los modelos 2SLS como la colinealidad entre variables.
  25. 25. Comparando los Resultados Es necesario graficar los residuales para comprobar si existen problemas en el modelo: Los residuales de la regresión se La dispersión del CPA pasa a estar distribuyen con un mayor ajuste a la curva explicada por 2 variables los clics y el CPC normal debido a la mejora del modelo. promedio lo que permite ajustar un plano de regresión más adecuado.
  26. 26. La crisis existencial Todo muy lindo nos rompemos la cabeza tratando de entender la Regresión Lineal pero… COMO C@R@J@ PODEMOS ESTIMAR EL CPA EN ADWORDS!!!
  27. 27. Estimando el CPA Es muy fácil y en realidad ya lo hicimos… APLICANDO LA FÓRMULA!!! Y = a + b X1 + c X2 + d O en nuestro análisis: CPA = 0*constante + 0,032*clics – 1,19*CPC Prom. +/- 0,18 error
  28. 28. Estimando el CPA Con ello vamos a crear distintos escenarios… APLICANDO LA FÓRMULA!!! Resultados de la campaña durante el primer mes: Clics: 894 Prom. diario: 28,8 Conversiones: 53 Prom. Diario: 1,71 CPC Prom.: $0,05 CPA Prom.: $0,82
  29. 29. Estimando el CPA Escenario 1: se mantienen los clics y CPC promedio CPA = 0,032 * 28,8 clics – 1,19 * $0,05 CPC Prom. +/- 0,18 error CPA Estimado: $0,86 CPA Mínimo: $0,68 CPA Máximo: $1,04 Escenario 2: 80% de los clics y 60% del CPC promedio CPA = 0,032*23,1 clics – 1,19 * $0,03 CPC Prom. +/- 0,18 error CPA Estimado: $0,70 CPA Mínimo: $0,52 CPA Máximo: $0,88 Escenario 3: 120% de los clics y 150% del CPC promedio CPA = 0,032*34,6 clics – 1,19 * $0,07 CPC Prom. +/- 0,18 error CPA Estimado: $1,02 CPA Mínimo: $0,84 CPA Máximo: $1,20 Así podemos testear todos los escenarios que creamos probables
  30. 30. Precisión de la Estimación Mucha estadística pero… ¿Funciona realmente? A las pruebas me remito… CPA Real $ 0,89 CPA Estimado $ 0,86 Margen de error 3%
  31. 31. Conclusiones  Al ajustar el primer modelo de Regresión Lineal pudimos establecer las variables que carecían de incidencia como factores explicativos. Los resultados del modelo OLS no fueron satisfactorios por lo que se busco un modelo alternativo.  El modelo 2SLS arrojó resultados más satisfactorios permitiendo mejorar en un 50% la capacidad explicativa respecto del modelo OLS. El uso de escenarios alternativos nos permite realizar una planificación racional basada en datos estadísticos. Al emplear modelos estadísticos mejoramos la comprensión de la dinámica de las campañas de Adwords.
  32. 32. Tips para analistas  Desarrollar modelos estadísticos con sustento lógico. Testear diferentes modelos hasta encontrar el más apropiado a las variables que disponemos. Validar si se cumplen los supuestos y restricciones para no extraer conclusiones erróneas.  Las conclusiones son válidas en tanto no se produzcan transformaciones de las condiciones estructurales que analiza el modelo estadístico.  Es posible que existan errores de especificación debidos a la falta de inclusión de variables relevantes.  Los modelos deben revisarse y ajustarse a cada campaña e inclusive periódicamente en una campaña de larga duración.
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×